sdv-dev/SDV

SDV – 合成数据保险库

是什么 – 一个 Python 库，允许您在真实表格数据上训练机器学习模型，然后生成该数据的 合成 版本。支持单表、相关多表模式以及序列（时间序列）数据。

核心功能

• 模型库 – 从经典的统计 Copula（如 GaussianCopulaSynthesizer）到深度学习生成器（如 CTGAN）。
• 完整工作流 – 内置预处理、匿名化和约束处理，确保生成的行遵守主键/外键以及用户定义的业务规则。
• 评估工具 – 提供计算质量评分和可视化真实数据与合成数据列级对比的函数。
• 模块化生态系统 – SDV 套件的一部分，还提供数据发现、转换和隐私度量工具。

典型工作流

1. 加载数据（该包附带演示数据集）。

   from sdv.datasets.demo import download_demo
   real, meta = download_demo(modality='single_table', dataset_name='fake_hotel_guests')
   

2. 创建并训练合成器。

   from sdv.single_table import GaussianCopulaSynthesizer
   synth = GaussianCopulaSynthesizer(meta)
   synth.fit(real)
   

3. 生成合成数据行。

   synthetic = synth.sample(500)
   

4. 评估质量。

   from sdv.evaluation import evaluate_quality, get_column_plot
   report = evaluate_quality(real, synthetic, meta)
   fig = get_column_plot(real, synthetic, column_name='amenities_fee', metadata=meta)
   fig.show()
   

安装 – 在 PyPI 上提供，采用商业源许可证（Business Source License）。

pip install sdv          # 或
conda install -c pytorch -c conda-forge sdv

适用人群 – 需要在不暴露敏感信息的前提下生成真实测试数据的数据科学家、隐私工程师以及产品团队；或希望扩充稀缺数据集以用于模型训练的用户。

链接 – 文档与教程（Colab 笔记本）均在 README 中提供链接，社区论坛托管于 forum.datacebo.com。